MultiBgolearn

Multi-Objective Bayesian Global Optimization Framework for Materials Design

English | 中文 | 日本語 | 한국어 | Deutsch

Ressourcen

Ressource	Beschreibung	Pfad
Bgolearn	Einheitliches Bayesian-Optimization-Framework	github.com/Bin-Cao/Bgolearn
Bgolearn Multi Object Module: MultiBgolearn	Modul fuer multi-objektive Optimierung	github.com/Bin-Cao/MultiBgolearn
Bgolearn official GUI: BgoFace	Offizielle grafische Benutzeroberflaeche	github.com/Bgolearn/BgoFace
CodeDemo	Beispielcode und Datensaetze	github.com/Bgolearn/CodeDemo

Das Bgolearn-Projekt wurde durch den Shanghai Artificial Intelligence Open Source Award Project Support Plan (2025) unterstuetzt (Mitteilung, Project).

Ueberblick

MultiBgolearn ist ein Python-Paket fuer multi-objektive Bayesian Global Optimization (MOBO) im Materialdesign. Es erweitert das single-objective Framework Bgolearn und ermoeglicht die gleichzeitige Optimierung mehrerer Materialeigenschaften.

Funktionen

• Implementiert mehrere MOBO-Algorithmen, darunter Expected Hypervolume Improvement (EHVI), Probability of Improvement (PI), Upper Confidence Bound (UCB) und q-Noisy Expected Hypervolume Improvement (qNEHVI).
• Unterstuetzt die gleichzeitige Optimierung mehrerer Zielgroessen.
• Bietet flexible Surrogatmodelle wie RandomForest, GradientBoosting, SVR und GaussianProcess.
• Unterstuetzt automatische oder manuelle Auswahl des Surrogatmodells.
• Nutzt bootstrap-Iterationen zur Unsicherheitsquantifizierung.

Installation

pip install MultiBgolearn

Falls die Installation von pygmo mit pip fehlschlaegt, verwenden Sie conda:

conda install -c conda-forge pygmo

Verwendung

from MultiBgolearn import bgo

dataset_path = "./data/dataset.csv"
VSdataset = "virtual_sample.xlsx"
object_num = 3

VS_recommended, improvements, index = bgo.fit(
    dataset_path,
    VSdataset,
    object_num,
    max_search=True,
    method="EHVI",
    assign_model="GaussianProcess",
    bootstrap=5,
)

Zitieren

Wenn Sie Bgolearn oder MultiBgolearn verwenden, zitieren Sie bitte:

@article{Cao2026Bgolearn,
  author    = {Bin Cao and Jie Xiong and Jiaxuan Ma and Yuan Tian and Yirui Hu and Mengwei He and Longhan Zhang and Jiayu Wang and Jian Hui and Li Liu and Dezhen Xue and Turab Lookman and Jun Wang and Tong-Yi Zhang},
  title     = {Bgolearn: a unified Bayesian optimization framework for accelerating materials discovery},
  journal   = {npj Computational Materials},
  year      = {2026},
  volume    = {12},
  pages     = {Article xxx},
  doi       = {10.1038/s41524-026-02226-3},
  url       = {https://doi.org/10.1038/s41524-026-02226-3}
}

Beitraege

Beitraege sind willkommen. Bitte oeffnen Sie ein issue oder senden Sie einen pull request.

Lizenz

Dieses Projekt steht unter der MIT-Lizenz. Details finden Sie in LICENSE.